FairQE：面向消除翻译质量评估中性别偏见的多智能体框架
人工智能
2026-04-24 v1
摘要
质量评估（Quality Estimation, QE）旨在无需参考翻译的情况下评估机器翻译质量，但近期研究表明现有 QE 模型存在系统性性别偏见。具体而言，它们倾向于在性别模糊情境下偏好 masculine 实现，并可能即使在性别被明确指定的情况下也为性别不匹配的翻译分配更高的评分。为解决这些问题，我们提出了 FairQE，一个基于多智能体的、公平性感知的 QE 框架，用于消除性别模糊和性别显式情境中的性别偏见。FairQE 检测性别线索，生成性别翻转翻译变体，并通过动态的公平性感知聚合机制将常规 QE 评分与基于 LLM 的偏见消除推理相结合。该设计在保持现有 QE 模型优势的同时，以即插即用方式校准其性别相关偏见。广泛的实验在多个性别偏见评估情景下表明，FairQE consistently improve 性别公平性，而强 QE 基线。此外，在遵循 WMT 2023 Metrics Shared Task 的 MQM-based 元评估下，FairQE 实现了具竞争力或改进的总体 QE 性能。这些结果表明，在不牺牲评估精度的前提下，可以有效消除 QE 中的性别偏见，实现更公平可靠的翻译评估。
引用
@article{arxiv.2604.21420,
title = {FairQE: Multi-Agent Framework for Mitigating Gender Bias in Translation Quality Estimation},
author = {Jinhee Jang and Juhwan Choi and Dongjin Lee and Seunguk Yu and Youngbin Kim},
journal= {arXiv preprint arXiv:2604.21420},
year = {2026}
}
备注
Accepted to ACL 2026